交易中的机器学习：理论、模型、实践和算法交易 - 页 3352 1...334533463347334833493350335133523353335433553356335733583359...3399 新评论 Maxim Dmitrievsky 2023.12.20 03:33 #33511 任意滞后的普通增量。没有对数或零条。问题是关于符号的。主要问题是信噪比低。但它们包含了所有信息。聋人电话在不断发展:) 我完全不看最近的文章，尤其是多产的水文作者，他们的文章有整个水循环:) Forester 2023.12.20 05:52 #33512 Maxim Dmitrievsky #:任意 滞后的普通增量。没有对数或零条。问题是关于符号的。主要问题是信噪比低。但它们包含了所有信息。 显然，是所有 信息。但是，如果我们使用相邻柱状图之间的增量，那么要理解最近 100 个柱状图的趋势，模型应该将所有 100 个柱状图相加，得到从 0 柱状图开始的增量。 也许神经网络可以考虑到所有 100 条增量并找到趋势，但木质模型不太可能。你自己也说过（我也有同样的结果），模型在几个特征（最多 10 个）上的效果最好，而 100 个的完整趋势不会从 10 个中形成。除了增量之外，可能还有更有用的迹象。 这就是为什么我对增量的任意 滞后总是从 0 条开始，以便模型看到趋势。相邻柱状图之间的增量从未使用过，因为我认为它们是噪音。例如，120 和 121 条之间 0.00010 pt 的增量，即 2 小时前的增量，对当前情况有什么影响？- 没有。 Maxim Dmitrievsky 2023.12.20 08:33 #33513 Forester #:很明显， 它们都是如此。但是，如果我们使用相邻柱状图之间的增量，那么要理解最近 100 个柱状图之间存在趋势，模型必须将所有 100 个柱状图相加，然后得到从 0 柱状图开始的增量。 也许神经网络可以考虑到所有 100 条增量并找到趋势，但木质模型不太可能。你自己也说过（我也有同样的结果），模型在几个特征（最多 10 个）上的效果最好，而 100 个的完整趋势不会从 10 个中形成。除了增量之外，可能还有更有用的迹象。 这就是为什么我对增量的任意 滞后总是从 0 条开始，以便模型看到趋势。相邻柱状图之间的增量从未使用过，因为我认为它们是噪音。例如，120 和 121 条之间 0.00010 pt 的增量，即 2 小时前的增量，对当前情况有什么影响？- 没有。趋势是平均增量的变化。因此，它也出现在增量图上。从混杂因素的角度解释了多属性的问题，即从所有其他属性中分离出每个属性的影 响变得更加困难。毕竟，每个属性都会给最终估算带来额外的误差。因果推断变得更加复杂，也增加了不确定性。显然，前景模型的复杂性有一定的限制，这取决于信噪比。 增量的滞后与预测交易的持续时间直接相关。例如，如果持续时间为 1 小节，则最好采用滞后期小、窗口深度小的增量。随着交易持续时间的延长，增量的滞后期也会自然延长。当然，价差也会受到影响。 Андрей 2023.12.22 10:06 #33514 我写了一个 Expert Advisor，它记录每个刻度线的数据，并将这些数据形成一个 csv 文件，然后运行一个神经网络，该网络分析该文件，执行训练，并根据第一个文件中的最后一行，输出一个价格走向预测，以及预测多少点。用 python 编写。谁已经做过类似的工作，可以学习哪些数据以涵盖全局。 现在的经验是基于 "开盘价"、"最高价"、"最低价"、"收盘价 "和 "成交量"。 我不知道如何插入屏幕 Maxim Kuznetsov 2023.12.22 17:09 #33515 Андрей 写了一个 Expert Advisor，它可以记录每个刻度线的数据，并将这些数据形成一个 csv 文件，在它旁边我启动了一个神经网络，它可以分析这个文件，执行训练，并根据第一个文件中的最后一行，输出一个价格走向预测，以及预测多少个点。用 python 编写。有没有人已经做过类似的工作，可以学习哪些数据来覆盖全局。 现在的经验是基于 "开盘价"、"最高价"、"最低价"、"收盘价 "和 "成交量"。 我不知道如何插入一个屏幕 记录和分析所有货币对和金属的刻度。 添加时间、星期 预期新闻分类 新闻前几秒 过去新闻分类 新闻后几秒 === 总之，可以让自己和 python 忙起来 :-) Maxim Dmitrievsky 2023.12.23 22:56 #33516 我们还没有完成所有的 MO，因此无法为您提供线索 :) СанСаныч Фоменко 2023.12.24 07:45 #33517 Maxim Dmitrievsky #: 我们还没有掌握所有的 IO，所以不能马上告诉您：) 为什么要掌握所有 MO？光是模型就有几百种...而模型显然还不到问题的一半。 也许可以掌握几个模型，但要学会如何在 OOV 和 OOS 上始终保持大约相同的分类误差，即小于 20%？在证明没有过度学习的基础上，展望未来，最重要的是，证明未来由此产生的分类误差？ Maxim Dmitrievsky 2023.12.24 09:07 #33518 СанСаныч Фоменко #:为什么要掌握所有的 MoDs？光是模型就有几百个...而模型显然还不到问题的一半。不如只掌握几个模型，但通过学习，使 OOV 和 OOS 的分类误差始终保持在 20% 以下。在证明没有过度学习的基础上，展望未来，最重要的是，证明未来由此产生的分类误差？ 在所有的 IO 下都有共同的方法和实践。例如，能否获得二元分类的类概率？如果可以，用什么方法？ СанСаныч Фоменко 2023.12.24 13:15 #33519 Maxim Dmitrievsky #: 所有 MOE 下都有共同的方法和做法。例如，能否获得二元分类的类概率？如果可以，用什么方法？ 我无法立即想到有哪些软件包不产生类概率。所以我的印象是这是标准。 Maxim Dmitrievsky 2023.12.24 13:18 #33520 СанСаныч Фоменко #:我无法立即想到有哪些软件包不发布类概率。所以在我看来，这就是标准。 批量思维已经融入其中。这些并不是概率，它们之所以被称为概率，是因为应用了loess phs，用于似然估计。如何获得真正的类概率？ 1...334533463347334833493350335133523353335433553356335733583359...3399 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
任意滞后的普通增量。没有对数或零条。问题是关于符号的。主要问题是信噪比低。但它们包含了所有信息。
聋人电话在不断发展:)
我完全不看最近的文章，尤其是多产的水文作者，他们的文章有整个水循环:)任意 滞后的普通增量。没有对数或零条。问题是关于符号的。主要问题是信噪比低。但它们包含了所有信息。
显然，是所有 信息。但是，如果我们使用相邻柱状图之间的增量，那么要理解最近 100 个柱状图的趋势，模型应该将所有 100 个柱状图相加，得到从 0 柱状图开始的增量。
也许神经网络可以考虑到所有 100 条增量并找到趋势，但木质模型不太可能。你自己也说过（我也有同样的结果），模型在几个特征（最多 10 个）上的效果最好，而 100 个的完整趋势不会从 10 个中形成。除了增量之外，可能还有更有用的迹象。
这就是为什么我对增量的任意 滞后总是从 0 条开始，以便模型看到趋势。相邻柱状图之间的增量从未使用过，因为我认为它们是噪音。例如，120 和 121 条之间 0.00010 pt 的增量，即 2 小时前的增量，对当前情况有什么影响？- 没有。
很明显， 它们都是如此。但是，如果我们使用相邻柱状图之间的增量，那么要理解最近 100 个柱状图之间存在趋势，模型必须将所有 100 个柱状图相加，然后得到从 0 柱状图开始的增量。
也许神经网络可以考虑到所有 100 条增量并找到趋势，但木质模型不太可能。你自己也说过（我也有同样的结果），模型在几个特征（最多 10 个）上的效果最好，而 100 个的完整趋势不会从 10 个中形成。除了增量之外，可能还有更有用的迹象。
这就是为什么我对增量的任意 滞后总是从 0 条开始，以便模型看到趋势。相邻柱状图之间的增量从未使用过，因为我认为它们是噪音。例如，120 和 121 条之间 0.00010 pt 的增量，即 2 小时前的增量，对当前情况有什么影响？- 没有。
趋势是平均增量的变化。因此，它也出现在增量图上。从混杂因素的角度解释了多属性的问题，即从所有其他属性中分离出每个属性的影 响变得更加困难。毕竟，每个属性都会给最终估算带来额外的误差。因果推断变得更加复杂，也增加了不确定性。显然，前景模型的复杂性有一定的限制，这取决于信噪比。
增量的滞后与预测交易的持续时间直接相关。例如，如果持续时间为 1 小节，则最好采用滞后期小、窗口深度小的增量。随着交易持续时间的延长，增量的滞后期也会自然延长。当然，价差也会受到影响。我写了一个 Expert Advisor，它记录每个刻度线的数据，并将这些数据形成一个 csv 文件，然后运行一个神经网络，该网络分析该文件，执行训练，并根据第一个文件中的最后一行，输出一个价格走向预测，以及预测多少点。用 python 编写。谁已经做过类似的工作，可以学习哪些数据以涵盖全局。 现在的经验是基于 "开盘价"、"最高价"、"最低价"、"收盘价 "和 "成交量"。
我不知道如何插入屏幕
我不知道如何插入一个屏幕
记录和分析所有货币对和金属的刻度。
添加时间、星期
预期新闻分类
新闻前几秒
过去新闻分类
新闻后几秒
===
总之，可以让自己和 python 忙起来 :-)
我们还没有掌握所有的 IO，所以不能马上告诉您：)
为什么要掌握所有 MO？光是模型就有几百种...而模型显然还不到问题的一半。
也许可以掌握几个模型，但要学会如何在 OOV 和 OOS 上始终保持大约相同的分类误差，即小于 20%？在证明没有过度学习的基础上，展望未来，最重要的是，证明未来由此产生的分类误差？
为什么要掌握所有的 MoDs？光是模型就有几百个...而模型显然还不到问题的一半。
不如只掌握几个模型，但通过学习，使 OOV 和 OOS 的分类误差始终保持在 20% 以下。在证明没有过度学习的基础上，展望未来，最重要的是，证明未来由此产生的分类误差？
所有 MOE 下都有共同的方法和做法。例如，能否获得二元分类的类概率？如果可以，用什么方法？
我无法立即想到有哪些软件包不产生类概率。所以我的印象是这是标准。
我无法立即想到有哪些软件包不发布类概率。所以在我看来，这就是标准。